大学院
過去（2023年度）の授業の情報です
学内のオンライン授業の情報漏洩防止のため，URLやアカウント、教室の記載は削除しております。
最終更新日：2025年4月21日
授業計画や教室は変更となる可能性があるため、必ずUTASで最新の情報を確認して下さい。
UTASにアクセスできない方は、担当教員または部局教務へお問い合わせ下さい。
最終更新日：2025年4月21日
授業計画や教室は変更となる可能性があるため、必ずUTASで最新の情報を確認して下さい。
UTASにアクセスできない方は、担当教員または部局教務へお問い合わせ下さい。
現代物理と機械学習
実験技術の進歩により、高い制御性の下で量子/古典系の物理を研究することが可能となってきた。これに伴い、観測下の物理系を記述するための基礎理論や、最適な制御を行うための機械学習の手法の理解が重要となっている。本講義では，その柱となる量子測定、開放系の物理、量子制御の基礎理論、変分原理、(深層)強化学習の基礎と応用について学ぶ。
Recent experimental developments have allowed one to study physics of quantum/classical systems in a highly controllable manner. It has increasingly become important to understand fundamental theory for describing systems under observation and also machine-learning methods for optimal control. In this course, we aim to learn some of important topics in these subjects, including quantum measurement theory, open systems, quantum control, variational principle, (deep) reinforcement learning.
Recent experimental developments have allowed one to study physics of quantum/classical systems in a highly controllable manner. It has increasingly become important to understand fundamental theory for describing systems under observation and also machine-learning methods for optimal control. In this course, we aim to learn some of important topics in these subjects, including quantum measurement theory, open systems, quantum control, variational principle, (deep) reinforcement learning.
時間割／共通科目コード
コース名
教員
学期
時限
35603-0124
GSC-PH6G50L2
現代物理と機械学習
蘆田 祐人
月曜2限
マイリストに追加
マイリストから削除
講義使用言語
日本語/英語
単位
2
実務経験のある教員による授業科目
NO
他学部履修
可
開講所属
理学系研究科
授業計画
以下の事項を可能な限り有機的に取り扱う計画である：
1. 導入：授業の概要、最近の発展の紹介等
2. 量子測定理論
3. 古典/量子確率過程・古典/量子マスター方程式
4. マルコフ的開放系の物理
5. 光と物質の物理（非相対論的量子電磁力学の入門）
6. 変分原理と量子多体系・ガウシアン状態
7. 強化学習の導入、マルコフ決定過程
8. 価値関数探索に基づく学習（TD学習、Q学習、深層Q学習）
9. ブラックボックス最適化とその強化学習への応用（AC法、進化強化学習）
We plan to learn the following topics (in a coherent manner when possible):
1. Introduction：Overview, some recent progress etc.
2. Quantum measurement theory
3. Classical/quantum stochastic process・Classical/quantum master equation
4. Physics of Markovian open systems
5. Physics of light-matter systems (introduction to nonrelativistic quantum electrodynamics)
6. Variational principle and quantum many-body systems, Gaussian states
7. Introduction to reinforcement learning, Markov decision process
8. Value-based search (TD learning, Q learning, deep Q learning)
9. Black-box optimization and its application to reinforcement learning (AC method, evolutionary algorithms)
授業の方法
スライドおよび講義ノートを用いる。必要に応じてプログラム演習を設ける可能性がある。
We use slides and lecture notes. We may do some programming exercises when necessary.
詳細はITC-LMSの情報を参照ください。Please view the ITC-LMS for details.
成績評価方法
レポートに基づく。Based on the report.
教科書
特になし。N/A
参考書
Wiseman and Milburn, Quantum Measurement and Control (Cambridge University Press, 2010); Cohen-Tannoudji et al., Photons and Atoms (Wiley, 1989); Lapan, Deep Reinforcement Learning Hands-On, (Packt Publishing, 2018).
履修上の注意
特になし。N/A
その他
授業実施形態は感染状況に応じて変更する可能性がある。
